模型的好坏评估,对于不同的模型,不同的用途,有不同的模型评价标准。
回归:
- MSE(均方误差)—— 判定方法:值越小越好。真实值-预测值 然后平方之后求和平均
- RMSE(均根方误差)—— 判定方法:值越小越好。MSE开根号
- R squared/拟合优度 —— 判定方法:值越接近1模型表现越好
分类:这部分之前的博客写过
- ROC —— 判定方法:ROC曲线应尽量偏离参考线(ROC曲线离参照线越远模型预测效果越好)
- AUC —— 判定方法:AUC应该大于0.5
- K-S图 —— 判定方法:其值在0到100之间,值越大,模型表现越好
- gini系数 —— 判定方法:基尼系数应大于60%,就算好模型
- 混淆矩阵 —— 判定方法:根据不同的模型选不同的参数
- Accuracy(准确度):预测正确的数占所有数的比例。
- Positive Predictive Value(阳性预测值) or Precision(精度):阳性预测值被预测正确的比例。
- Negative Predictive Value(阴性预测值):阴性预测值被预测正确的比例。
- Sensity(灵敏度) or recall(召回率):在阳性值中实际被预测正确所占的比例。
- Specificity(特异度):在阴性值中实现被预测正确所占的比例。